技術要約：時間・入力状態依存型キャリブレーション (TISAC)

1. 問題提起

工学システムの物理ベースのモデリングは、多くの場合、状態変数（動作条件）と不確実な入力パラメータを結びつける支配方程式に依存している。しかし、モデルの予測と現実との間の乖離は、不確実なパラメータ、パラメータの誤設定、および不完全な物理表現から生じる。

従来のモデルキャリブレーションの枠組み（例えば、著名な Kennedy および O'Hagan (KOH) の手法）は、通常、キャリブレーション・パラメータをグローバルな定数、あるいは時間または状態に対して独立して変化するものと仮定している。この仮定は、多くの現代的な工学システム（例：劣化する電池、経年変化する航空エンジン、あるいはグリッド接続されたインバータ）においては不十分である。なぜなら、これらのシステムではパラメータがシステムの状態と時間の両方に連動して進化するためである。パラメータが状態依存的であるにもかかわらず、静的または純粋に時間依存的であるとして扱われると、キャリブレーション過程において**混同（confounding）**が生じる。つまり、モデルは、誤ったパラメータ値による誤差と、構造的なモデルの欠陥（不一致/discrepancy）による誤差を区別できなくなる。これにより、パラメータ推定にバイアスが生じ、変化する運用条件下での予測性能が低下する。

さらに、既存の手法はエミュレーションや不一致モデリングにガウス過程（GP）を用いることが多い。GPは解析的に扱いやすい一方で、高次元または広範な時系列データに対しては計算上のボトルネック（$O(n^3)$ の計算量）に直面し、定常性を前提とした次元削減を余儀なくされることが多い。

2. 手法：TISAC フレームワーク

著者らは、キャリブレーション・パラメータをシステムの「状態 $x$」と「時間 $t$」の両方の関数として明示的にモデル化し、同時に時間および状態に依存する不一致場を推論する手法である Time-Input State-Aware Calibration (TISAC) を提案する。

2.1 数学的定式化

観測モデルは以下のように定式化される：
$$y_{obs}(t, x) = \eta(t, x, \theta_t(x, t), \theta_s(t)) + \delta(x, t) + \epsilon(t)$$
ここで：

• $\eta$ は物理ベースのモデルである。
• $\theta_t(x, t)$ は、状態と時間の両方とともに進化するパラメータを表す。
• $\theta_s(t)$ は、時間のみとともに進化するパラメータを表す。
• $\delta(x, t)$ は、モデルの不一致場である。
• $\epsilon(t)$ は実験ノイズである。

2.2 共進化ニューラルネットワーク・アーキテクチャ

TISAC は、学習中に共進化する 3 つのフィードフォワードニューラルネットワークの統一されたアーキテクチャを採用している：

1. パラメータ・ネットワーク ($NN_{\theta_t}, NN_{\theta_s}$): これらはキャリブレーション場を推論する。これらは、残差を拘束するために双曲線正接（hyperbolic tangent）活性化関数を用いて構造的事前分布から補正された、有界な点推定値を出力するように構成されている。
2. 不一致ネットワーク ($NN_{\delta}$): これは不一致場 $\delta(x, t)$ を推論する。これは、ランダムなノイズではなく、滑らかで系統的なモデル形式の誤差を捉えるように正則化されている。
3. 応答ネットワーク（オプション）: 明示的な微分可能な支配方程式が利用できない場合（例：電力システムのケース）、サロゲート・ネットワークが入力と推論されたパラメータをマップして出力を得る。合成ベンチマークでは、応答は微分可能な前向きオイラー法を用いた微分可能な常微分方程式（ODE）の積分によって得られる。

2.3 損失関数と正則化

本フレームワークは、以下の項で構成される結合目的関数（$L_{total}$）を最小化する：

• データ適合損失 ($L_y$): 予測された応答と観測された応答の差を、経験的な標準偏差でスケール化したものである。
• 構造的事前分布 ($L_{\theta, prior}$): 期待される依存クラスと滑らかな傾向をエンコードする。
• 滑らかさと範囲のペナルティ ($L_{\theta, smooth}, L_{\theta, range}$): 空間および時間における物理的な妥当性と滑らかさを強制する。
• 不一致正則化 ($L_{\delta}$): エネルギー、滑らかさ（一次および二次微分）、エッジ（境界のゼロ化）、およびスペクトル・ペナルティを含む。スペクトル・ペナルティは、不一致における高周波成分を抑制し、測定ノイズや過学習を吸収することを防ぐ。
• 分離損失 ($L_{sep}$): 極めて重要な革新であり、不一致ベクトルとキャリブレーション・パラメータの感度ベクトルの間の整列を罰する。これにより、不一致がパラメータの変化方向に対して直交する方向の構造的誤差を補正するように促し、それによって混同を軽減する。

2.4 最適化とエンコーディング

フィードフォワードニューラルネットワークのスペクトル・バイアス（高周波の変化を学習するのが困難である性質）に対処するため、入力は**フーリエ位置エンコーディング（Fourier positional encoding）**を用いてマッピングされる。最適化には、安定した収束を確保するために、ミニバッチ処理、ウォームアップフェーズ、およびコサイン学習率減衰スケジュールを用いた確率的勾配降下法（Adam）を使用する。

3. 主な貢献

1. 状態・時間結合キャリブレーション: 本フレームワークは、パラメータが状態と時間の両方とともに進化することを明示的に分離しており、時間依存性と状態依存性が個別に扱われていた既存の文献におけるギャップを埋めるものである。
2. 混同の軽減: ODE 感度ベクトルに基づく分離損失を導入し、構造的事前分布を強制することで、キャリブレーション・パラメータとモデルの不一致の間の識別性の問題を大幅に軽減する。
3. スケーラブルなニューラル・サロゲート: ガウス過程をニューラルネットワークに置き換えることで、共分散行列の逆行列計算に伴う $O(n^3)$ の計算コストなしに、高次元の時系列データを効率的に扱うことが可能になる。
4. 物理情報に基づいた制約: 支配的な物理（ODE 積分または感度分析を介して）を損失関数に直接組み込むことで、物理的に意味のあるパラメータ推論を保証する。

4. 結果

4.1 学術的ケーススタディ（合成ベンチマーク）

本フレームワークは、既知のパラメータと不一致を持つ合成 ODE システムを用いてテストされた。

• 性能: TISAC は、真の（グラウンドトゥルースとしての）状態・時間依存型キャリブレーション場および不一致を正常に復元した。
• 比較: 標準的な KOH スタイルのベイズ・キャリブレーション（GP エミュレータと定数パラメータを使用）と比較して、TISAC は予測誤差を劇的に減少させた。テストケース（Measurement 3）において、応答の平方平均平方根誤差（RMSE）は、ベイズ手法の 63.83% から TISAC の 3.21% へと低下した。
• パラメータ推論: キャリブレーション・パラメータの推論誤差は 22.31% から 1.83% に減少し、不一致の推論誤差は 33.63% から 14.48% に低下した。これは、分離メカニズムの有効性を実証している。
• データシナリオ: 本フレームワークは、異なるデータサンプリング密度（状態が豊富なケース vs 時間が豊富なケース）や、疎なデータギャップに対しても堅牢であった。

4.2 電力システムへの適用

本手法は、統合送配電システムにおけるグリッド形成型インバータの高忠実度モデルに適用された。

• 設定: モデルは、変動する負荷条件下でのグリッドインピーダンス（時間依存）およびグリッド慣性（状態および時間依存）を推論した。
• 結果:
  • 学習領域: 電力、電圧、および周波数の正規化 RMSE は、キャリブレーション前（pre-calibration）の約 96-108% から、それぞれ 1.4%、1.1%、0.9% へと減少した。
  • ホールドアウト領域: モデルは、未知の動作セグメントや将来のタイムステップにおいても精度を維持し、誤差は 電力 10.9%、電圧 9%、周波数 9.5% まで減少した。
  • 不一致: 推論された不一致は、ホールドアウト領域におけるモデル形式の誤差の方向を正確に捉えており、予測を改善するために必要な補正を提供した。

5. 重要性と主張

本論文は、TISAC が動的な工学システムの性能監視および運用管理のための、物理に根ざしたアプローチを提供すると主張している。その主な意義は、以下の点にある：

• パラメータの不確実性とモデルの構造的誤差を正確に分離することで、変化する現実の運用条件下でのより信頼性の高い意思決定を支援すること。
• 複雑で時間とともに進化するシステムに対して、ガウス過程ベースのキャリブレーションに代わるスケーラブルな選択肢を提供すること。
• パラメータが静的ではなく、システムの状態とともに共進化するシステムのための、「物理に根ざしたデジタルツイン」のワークフローの開発を可能にすること。

著者らは、本手法は現在、安定したダイナミクスと滑らかな残差挙動を持つシステムに最も適用可能であり、急速で不連続な応答に対処するには今後の課題があることを述べている。本フレームワークは、航空宇宙推進、スマート製造、バッテリーモニタリングなどの複雑な領域に向けた、より堅牢なキャリブレーションへの一歩として提示されている。